제한된 고장 데이터 환경에서 음향 신호 기반 비지도 이상감지 알고리즘 적용 연구

초록

잠수함 탑재 장비와 같이 고장 데이터를 직접 획득하기 어려운 환경에서는 실제 운용 중 발생 가능한 이상을 조기에 탐지할 수 있는 절차적 접근이 필요하다. 본 연구에서는 잠수함 탑재 장비를 대상으로 FMECA(Failure Modes, Effects and Criticality Analysis)을 수행하여, 임무 수행에 큰 영향을 미치는 핵심 부품과 연계된 고장 징후 데이터를 식별하였다. 이 과정에서 핵심 부품의 고장율(Failure Rate)과 같은 신뢰도 지표를 반영하여 정량적인 치명도 분석(Criticality Analysis)을 수행하였다. 회전 기기를 대상으로 음향 신호를 주요 고장 징후 데이터로 식별하고 이를 기반으로 비지도 학습 이상 감지 알고리즘을 적용하였다. 실제 잠수함 운용 데이터 확보의 제약을 고려하여, 공개 음향 데이터셋인 MIMII(Malfunctioning Industrial Machine Investigation and Inspection)를 활용하였다. 수집된 음향 신호는 Short-Time Fourier Transform(STFT)와 Mel-Frequency Cepstral Coefficients(MFCC)를 적용하여 특징을 추출하고, 각 MFCC 계수에 대해 평균, 표준편차, 최소값, 최대값의 통계적 특징을 계산하여 512차원의 특징 벡터로 변환하였다. 또한, 다양한 잡음 환경을 모사하기 위해 SNR −6 dB, −3 dB 0 dB, 3 dB, 6 dB 조건의 데이터를 CMVN(Cepstral Mean and Variance Normalization)으로 정규화하여 학습 데이터셋을 구성하였다. 이상 감지 알고리즘으로는 Isolation Forest, Gaussian Mixture Model(GMM), One-Class Support Vector Machine(OCSVM)을 적용하였으며, 정상 데이터만을 학습한 뒤 테스트 데이터셋을 이용하여 성능을 평가하였다. 테스트 데이터셋은 정상 신호 이후에 비정상 신호가 순차적으로 배치되도록 구성하여 실제 운용 중 이상 상태로 전이되는 과정을 반영하였다. 또한 가우시안(White) 노이즈를 합성하여 다양한 잡음 환경을 모사함으로써 실제 적용 가능성을 고려하였다. 알고리즘의 성능 평가는 ROC-AUC, PR-AUC, F1-score 지표를 기반으로 결과를 비교하였다. 그 결과 GMM이 다른 두 알고리즘 대비 잡음 환경에서도 일관된 탐지 성능을 보였다. 본 연구는 고장 데이터가 부족한 장비에 대해서도 FMECA 분석으로 고장 신호를 식별하고 다양한 잡음 환경의 정상 데이터셋으로 이상을 감지하는 알고리즘 적용 절차를 제안하였다. 아울러 적용된 알고리즘의 CPU 기반 연산시간과 메모리 사용량에 따라 소형 임베디드PC에 적용하여 실시간 이상 탐지가 가능함을 확인하였다. 이는 향후 국방 분야 장비의 신뢰성 보전과 실시간 고장 탐지 방안으로 활용할 수 있을 것으로 기대한다.

키워드